Python 2D列表到字典_Python_Machine Learning

Python 2D列表到字典

python machine-learning

Python 2D列表到字典,python,machine-learning,Python,Machine Learning,我有一个二维列表，必须从二维列表中获取两列，并将每列中的值作为键：值对放置例如： table = [[15, 29, 6, 2], [16, 9, 8, 0], [7, 27, 16, 0]] def averages(table, col, by): columns = tuple(([table[i][col] for i in range(len(table))])) #Place col column into tuple so it ca

我有一个二维列表，必须从二维列表中获取两列，并将每列中的值作为键：值对放置

例如：

table = [[15, 29, 6, 2],
        [16, 9, 8, 0],
        [7, 27, 16, 0]]

def averages(table, col, by):

    columns = tuple(([table[i][col] for i in range(len(table))]))  #Place col column into tuple so it can be placed into dictionary
    groupby = tuple(([table[i][by] for i in range(len(table))]))   #Place groupby column into tuple so it can be placed into dictionary

    avgdict = {}
    avgdict[groupby] = [columns]
    print(avgdict)

averages(table, 1, 3)

输出为：

{(2, 0, 0): [(29, 9, 27)]}

我试图使输出等于：

{0:36, 2:29}

因此，本质上，0的两个键的值相加

我很难理解如何将每个键与其值分开然后，如果键相等，则将这些值相加

编辑：我只使用Python标准库，并没有针对这个问题实现numpy

您可以创建一个空字典，然后遍历groupby的每个元素。如果字典中存在groupby中的元素，则将列中相应的元素添加到字典中的值中。否则，将groupby中的元素添加为key，列中相应的元素添加为value，实现如下：

table = [[15, 29, 6, 2],
    [16, 9, 8, 0],
    [7, 27, 16, 0]]

def averages(table, col, by):
    columns = tuple(([table[i][col] for i in range(len(table))]))  #Place col column into tuple so it can be placed into dictionary
    groupby = tuple(([table[i][by] for i in range(len(table))]))   #Place groupby column into tuple so it can be placed into dictionary

    avgdict = {}

    for x in range(len(groupby)):
        key = groupby[x]
        if key in avgdict:
            avgdict[key] += columns[x]
        else:
            avgdict[key] = columns[x]

    print(avgdict)

averages(table, 1, 3)

否则，如果要保留初始avgdict，则可以将平均值函数更改为

def averages(table, col, by):
    columns = tuple(([table[i][col] for i in range(len(table))]))  #Place col column into tuple so it can be placed into dictionary
    groupby = tuple(([table[i][by] for i in range(len(table))]))   #Place groupby column into tuple so it can be placed into dictionary

    avgdict = {}
    avgdict[groupby] = [columns]

    newdict = {}

    for key in avgdict:
        for x in range(len(key)):
            if key[x] in newdict:
                newdict[key[x]] += avgdict[key][0][x]
            else:
                newdict[key[x]] = avgdict[key][0][x]

    print(newdict)

table = [[15, 29, 6, 2],
    [16, 9, 8, 0],
    [7, 27, 16, 0]]

def averages(table, col, by):
    columns = tuple(([table[i][col] for i in range(len(table))]))  #Place col column into tuple so it can be placed into dictionary
    groupby = tuple(([table[i][by] for i in range(len(table))]))   #Place groupby column into tuple so it can be placed into dictionary

    avgdict = {}

    for x in range(len(groupby)):
        key = groupby[x]
        if key in avgdict:
            avgdict[key] += columns[x]
        else:
            avgdict[key] = columns[x]

    print(avgdict)

averages(table, 1, 3)

否则，如果要保留初始avgdict，则可以将平均值函数更改为

def averages(table, col, by):
    columns = tuple(([table[i][col] for i in range(len(table))]))  #Place col column into tuple so it can be placed into dictionary
    groupby = tuple(([table[i][by] for i in range(len(table))]))   #Place groupby column into tuple so it can be placed into dictionary

    avgdict = {}
    avgdict[groupby] = [columns]

    newdict = {}

    for key in avgdict:
        for x in range(len(key)):
            if key[x] in newdict:
                newdict[key[x]] += avgdict[key][0][x]
            else:
                newdict[key[x]] = avgdict[key][0][x]

    print(newdict)

我花了一分钟的时间才弄明白您想要完成什么，因为您的函数和变量名引用平均值，但您的输出是一个总和

根据您的输出，您似乎试图通过另一列中的组来聚合给定列中的行值

这里有一个推荐的解决方案，通过列表理解，它可能会简化为一行。这将循环通过group by中的unique using set Value b，为正在处理的group by创建字典键agg_dict[b]，如果正在处理group by，则对给定列col中的所有行进行求和表[i][by]==by

我花了一分钟的时间才弄明白您想要完成什么，因为您的函数和变量名引用平均值，但您的输出是一个总和

根据您的输出，您似乎试图通过另一列中的组来聚合给定列中的行值

您也可以尝试以下答案。它不使用numpy，而是基于使用集合在groupby中查找唯一元素

对不起，我不清楚你想要实现什么。也不清楚为什么这个问题被标记为机器学习对不起，我不清楚你想要实现什么。也不清楚为什么这个问题会被标记为机器学习我很抱歉让它不清楚，我把函数命名错了。没问题。我只是想帮你澄清这个问题。当你得到一个解决方案时，请记住投票表决有用的东西，并接受你最喜欢的答案，即使你必须自己写，这样堆栈溢出可以正确地存档该问题。我为不清楚表示歉意，我错命名了该函数。没问题。我只是想帮你澄清这个问题。当你得到一个解决方案时，请记住投票给有用的东西，并接受你最喜欢的答案，即使你必须自己写，这样堆栈溢出可以正确地存档问题。